# MOSS v2 12→32 Enhancer 60M: веса для локального аудио готовы, но улучшение качества не доказано

Источник: https://modelium.tech/zhurnal/moss-v2-12to32-enhancer-60m-local-audio-experiment/

2 октября 2026 года LAION завершила обучение экспериментальной MOSS v2 12→32 Enhancer 60M и разместила корневые веса, конфигурацию и код локального вывода. Модель переводит 12 кодовых индексов аудио в 32 на кадр, но сама по себе не восстанавливает звук без отдельного MOSS Audio Tokenizer v2. Авторская оценка 50 записей не подтверждает общего выигрыша: разборчивость по STOI в среднем ниже исходной 12-кодовой реконструкции. Веса доступны для некоммерческих экспериментов по CC BY-NC 4.0.

## Что изменилось 2 октября

Экспериментальный **MOSS v2 12-to-32 Enhancement Talker** от LAION теперь имеет законченный чекпойнт: на закреплённой ревизии `280d0c54cba3521bf34897e1f465aab1f85fda43` доступны корневые `config.json`, `model.safetensors`, код загрузчика и результаты оценки. Репозиторий создан 1 октября; **2 октября завершён один проход обучения**, а не впервые выпущено всё семейство MOSS. `training/progress.json` фиксирует шаг 64 699 из 64 699 и состояние `complete`. Корневой файл весов соответствует выбранному автором шагу 64 699; манифест указывает 243 450 496 байт для файла. Размер файла не означает минимальную RAM или VRAM. [s1](#src-s1) [s2](#src-s2)

Это узкий компонент аудиотракта, а не универсальная модель шумоподавления звуковой волны. Она принимает 12 индексов кодбуков MOSS Audio Tokenizer v2 на кадр, предсказывает 32 индекса и использует до десяти предыдущих сгенерированных кадров контекста. Частота кадров — 12,5 Гц. Чтобы получить WAV, нужен **отдельный декодер** MOSS Audio Tokenizer v2; исходные 12 индексов также нужно получить в совместимом формате. Преобразование не добавляет временных кадров, и реальная скорость работы не следует из частоты 12,5 Гц. Это не автоматическое улучшение произвольного MP3-файла. [s1](#src-s1) [s4](#src-s4)

## Что говорят результаты — и чего не говорят

LAION выбрала лучший чекпойнт по кросс-энтропии дополнительных 20 кодбуков на 1024 отложенных кадрах: 5,818123. Это **авторская мера предсказания токенов с teacher forcing**, не субъективное качество речи. Для финального шага авторы также выложили 50 десятисекундных записей, по два входных случая на запись, и машинно-читаемые оценки 250 аудиофайлов, включая референсы. Сравнение ведётся с реконструкцией того же кодека, а не с оригинальным PCM. [s1](#src-s1) [s2](#src-s2) [s3](#src-s3)

По этим **авторским**, независимо не воспроизведённым оценкам, для чистого 12-кодового входа средний STOI после обработки падает с 0,9573 до 0,9388; улучшений нет ни на одной из 50 записей по этой метрике. DNSMOS OVRL тоже немного снижается — с 3,3302 до 3,3195. Для аугментированного входа DNSMOS OVRL слегка растёт с 3,2928 до 3,3025, но STOI падает с 0,9522 до 0,9329. Нельзя по одному показателю заявить ни гарантированное улучшение звука, ни одинаковое ухудшение для каждого слушателя: здесь короткие отрывки, MP3 в тракте измерения и не было независимого прослушивания Modelium. Сама карточка не заявляет доказанного прироста MOS, WER или сходства голоса. [s1](#src-s1) [s3](#src-s3)

## Как пробовать локально

В репозитории опубликованы PyTorch-пакет и пример `moss_enhancer.inference`: загрузчик `load_enhancer` читает корневые `config.json` и `model.safetensors` по ID модели или закреплённой ревизии; `enhance_sequences` ждёт массив **[frames, 12]** целочисленных индексов в диапазоне 0–1023 и выдаёт **[frames, 32]**. Декодер скачивает отдельные веса MOSS Audio Tokenizer v2 и использует закреплённую ревизию его кода с `trust_remote_code=True` — перед запуском стороннего кода проверьте доверие к источнику. Карточка показывает CUDA-примеры, а реализация загрузчика предусматривает CPU; скорость, память и качество на конкретной машине мы не измеряли. Для воспроизводимого сравнения закрепите ревизию обеих моделей и начните с собственного небольшого корпуса с оригиналом, реконструкцией из 12 кодбуков и обработанным звуком. [s1](#src-s1) [s4](#src-s4)

**Права:** веса — CC BY-NC 4.0, то есть публично доступны, но коммерческое использование не разрешено без отдельного права; оригинальный код пакета помечен MIT. У отдельного аудиокодека своя лицензия Apache-2.0. Открытость кода не делает веса коммерчески свободными. Для продуктовой цепочки сейчас разумнее рассматривать это как исследовательский прототип, а не готовый способ поднять качество речи. [s1](#src-s1) [s5](#src-s5)

## Источники

1. [LAION: карточка MOSS v2 12-to-32 Enhancement Talker 60M на закреплённой ревизии](https://huggingface.co/laion/MOSS-v2-12to32-Enhancer-60M/blob/280d0c54cba3521bf34897e1f465aab1f85fda43/README.md) — получено 2026-10-02
2. [LAION: progress, best checkpoint и manifest закреплённого выпуска](https://huggingface.co/laion/MOSS-v2-12to32-Enhancer-60M/blob/280d0c54cba3521bf34897e1f465aab1f85fda43/best_checkpoint.json) — получено 2026-10-02
3. [LAION: машинно-читаемые авторские аудиометрики финального шага](https://huggingface.co/laion/MOSS-v2-12to32-Enhancer-60M/blob/280d0c54cba3521bf34897e1f465aab1f85fda43/eval/step-00064699-final-50-10s/metrics.json) — получено 2026-10-02
4. [LAION: код загрузчика и вывода moss_enhancer](https://huggingface.co/laion/MOSS-v2-12to32-Enhancer-60M/blob/280d0c54cba3521bf34897e1f465aab1f85fda43/src/moss_enhancer/inference.py) — получено 2026-10-02
5. [LAION: LICENSE весов и LICENSE-code репозитория](https://huggingface.co/laion/MOSS-v2-12to32-Enhancer-60M/blob/280d0c54cba3521bf34897e1f465aab1f85fda43/LICENSE) — получено 2026-10-02